電子發燒友網報道（文/周凱揚）自文本與圖片類的AIGC爆火以來，幾乎所有互聯網公司和應用開發商都在跟進。然而近期隨著Sora的爆火，決定開發同類應用的廠商卻少之又少，這就不得不談到硬件成本的問題，畢竟一個能夠實現文生視頻的應用，服務器成本要遠遠高于GPT類應用。

從文生視頻模型的配置談硬件成本

對于目前市面上的一些文生視頻模型而言，其配置往往決定了體驗的好壞。就拿Runway的Gen-2模型來說，其最大的特點在于可以生成4K級別分辨率的視頻，且具備影視級別的構圖和運鏡，支持圖片和文本的指令輸入。

然后是最近一炮走紅的Sora，其將最大時長做到了1分鐘，且支持符合部分物理規律的世界模型，以及多鏡頭的切換等。不過與Gen-2模型一樣，其對分辨率也進行了限制，甚至只能生成1080p的視頻。

其他文生視頻模型的配置則更加捉襟見肘，比如Meta的Emu Video只能生成最長4秒的512x512分辨率視頻等等。從以上文生視頻模型看來，由于為了確保畫面一致性，視頻分辨率、視頻長度和每秒幀數往往決定了生成單個視頻的硬件負載。目前對于硬件要求最高的應該是Runway的Gen-2和OpenAI的Sora。

這也是為何文生視頻應用均采用訂閱模式，甚至是按量訂閱的付費策略，比如生成視頻的項目數量、存儲空間、導出質量等，文生視頻考驗的不僅是服務器算力，還有存儲成本。畢竟為了方便用戶回溯，這些生成的視頻依然需要存儲在服務器上一段時間。

就以Runway為例，要想完全無限制地生成視頻功能，每月訂閱費用高達76美元，且這僅僅意味著450s的Gen-2視頻生成，如果用戶需要生成更多內容，則還需要額外購買。可見為了維持服務器費用，文生視頻應用面臨的成本壓力要遠大于GPT類應用。

不只是云端，硬件成本也決定了本地部署的難度

從ChatGPT和Stable Diffusion這兩個最火的AIGC應用就可以看出，硬件是開發這類應用的最大門檻之一。基于低成本硬件打造的類ChatGPT應用響應時間慢，生成內容質量差。而Stable Diffusion這類文生圖模型，已經可以在消費級硬件上實現不錯的效果，甚至可以普及到一些低功耗的端側設備上。

但對于Sora這類文生視頻的模型而言，要想在消費級實現本地部署可謂是難于登天，在完成內容的基本生成工作后，還需要經歷風格化、分鏡、遮罩、渲染和自定義等一系列流程，可以說不僅考驗硬件的AI算力，也對視頻渲染能力提出了更高的要求。

據了解，一批開源開發者已經在構建OpenAI Sora的復制版本，且可以在使用消費級英偉達GPU的高配電腦上跑通。不過馬斯克也評論道，他也認為這是可行的，但是幀渲染速率會非常低。如果需要花上數小時，才能生成出一個質量較差的4秒視頻，對于絕大多數用戶來說，必然不是好的體驗。

寫在最后

要論硬件成本的話，對于應用開發者和用戶而言，文生視頻目前還是一個較為昂貴的“玩具”。但我們也不能否認其前景，隨著算力成本逐漸下降，未來文生視頻不僅可以作為內容創作途徑，也可以作為輔助工具，替代掉一部分重復性工作，尤其是在廣告視頻行業。

不過這類應用的出現，也會讓我們開始重新審視起GPU在AIGC硬件市場的地位，畢竟多出了圖形渲染這一額外的硬件要求，其他的ASIC方案在這方面固然會遜色GPU一籌。再加上英偉達GPU在物理仿真上的優勢，或許文生視頻會給英偉達帶來更多的市場機遇。